تقليل التشويه التوافقي والاستقرار الديناميكي في أنظمة طاقة الرياح PMSG-CHBI عبر نهج مزدوج للتنبؤ والتحسين

لماذا تهم الطاقة الريحية الناعمة

مع نمو مزارع الرياح، يصبح الحفاظ على كهربائها نظيفة ومستقرة تحدياً خفياً ولكنه حاسم. تعتمد المنازل والمصانع ومراكز البيانات على طاقة تشبه الموجة الجيبية الناعمة. في الواقع، يتغير الريح من ثانية لأخرى، والإلكترونيات التي تحول دوران الشفرات إلى طاقة للشبكة يمكن أن تُدخل تموجات ونبضات غير مرغوبة. يقدم هذا البحث نهج تحكم ذكي جديد يجعل كهرباء التوربينات أنظف وأكثر كفاءة وأسرع استجابة للهبات المفاجئة، مما يساعد الشبكات المستقبلية على دمج طاقة متجددة أكثر دون التضحية بالموثوقية.

الرحلة من الريح إلى مقبس الحائط

في النظام المدروس هنا، يدير الريح أولاً توربينًا، الذي يشغل مولدًا دائم المغناطيس لإنتاج طاقة تيار متردد ثلاثية الأطوار. تُقوَّس هذه الطاقة إلى تيار مستمر بواسطة مقوم، ثم تُرفع إلى جهد أعلى، وأخيرًا يُعاد تشكيلها إلى تيار متردد بمواصفات الشبكة بواسطة جهاز خاص يسمى محول H-bridge متسلسل بخمسة مستويات. يمكن لكل مرحلة من هذه المراحل أن تضيف عدم انتظاماتها الخاصة، وخاصة المحول الذي يفتح ويغلق بسرعة لبناء تقريب على شكل درج للموجة الجيبية. تحت ظروف الريح والحمولة المتغيرة، يمكن أن تُدخل هذه العملية "التوافقيات" — مكونات ترددية إضافية تهدر الطاقة وتجهد المعدات وتخفض جودة الطاقة الإجمالية.

بحث مستوحى من الطبيعة لتحسين التبديل

لمعالجة هذه التشوهات، يقدم المؤلفون استراتيجية ذات جزأين تجمع بين خوارزمية تحسين وشبكة عصبية تنبؤية. يُطلق على الجزء الأول اسم خوارزمية جرِتر كين رات (Greater Cane Rat)، وهي مستوحاة من كيفية تنقُّل مجموعات جرذان القصب بحثًا عن الطعام والملاذ. مترجمة إلى رياضيات، يمثل كل "جرذ" نمطًا مرشحًا من زوايا التبديل للمحول. من خلال استكشاف وتنقيح العديد من الخيارات، تبحث الخوارزمية عن تراكيب زوايا تحافظ على الجهد الأساسي المفيد عالياً مع تقليل التوافقيات غير المرغوبة بشدة. على عكس طرق التحسين القديمة التي قد تعلق في متاهات محلية أو تتطلب ضبطًا دقيقًا، صُمم هذا النهج ليستمر في الاستكشاف على نطاق واسع بينما يركز في الوقت نفسه على الحلول الواعدة.

دماغ متعلم يراقب تطور النظام

الجزء الثاني من الطريقة هو شبكة عصبية مكانية زمنية بصرية علاقية (Visual Relational Spatio-Temporal Neural Network)، وهي في الأساس نموذج تعلّم عميق متخصِّص مدرَّب للتنبؤ بكيفية سلوك نظام طاقة الرياح عبر الزمن. بدلاً من معالجة الصور، يتعامل مع الإشارات الكهربائية الرئيسية — جهود، تيارات، سرعة الريح، سرعة المولد، وإعدادات المحول — كخريطة ديناميكية ثنائية الأبعاد. يتعلّم كيف تؤدي التغيرات في جزء من النظام إلى تأثيرات في بقية الأجزاء، ويستخدم هذه المعرفة للتنبؤ بالظروف القريبة المستقبل مثل تقلبات الجهد المستمر، وتموجات التيار، والنمو المحتمل للتوافقيات. أثناء التشغيل، يوفر إشارات تصحيح سريعة للإلكترونيات القدرة، مما يسمح للمحول بالتكيف بسلاسة مع الهبات وتغيرات الحمولة دون انتظار ظهور أخطاء كبيرة.

موجات أنظف، خسائر أقل، استجابة أسرع

باستخدام محاكاة حاسوبية مفصلة لإعداد توربين رياح بقدرة 2.5 كيلووات، قارن المؤلفون نهجهم المزدوج مع عدة متحكمات متقدمة معتمدة على الشبكات العصبية وطرق تحسين هجينة. خفض الإطار الجديد التشويه التوافقي الكلي في جهد خرج المحول إلى نحو 2.1%، ما يقرب من نصف التوافقيات منخفضة الرتبة البارزة التي لوحظت مع المتحكم الأساسي. انخفض تموج الجهد على وصلة التيار المستمر من 4.8% إلى 1.6%، بينما تقلصت خسائر الطاقة بأكثر من 80%، مما رفع كفاءة المحول إلى ما يقارب 99%. والأهم من ذلك، استقر النظام إلى حالة ثابتة جديدة بعد تغييرات الريح في حوالي 12 ملّي ثانية، أي أسرع بنحو ثلاثة أضعاف عما كان عليه سابقًا. اقتربت التيارات والجهود الناتجة من موجات جيبية مثالية، وارتفع معامل القدرة — مقياس مدى فعالية استخدام الطاقة — إلى قيمة قريبة من الوحدة.

ما معنى هذا لمستقبل طاقة الرياح

بالنسبة لغير المتخصص، الرسالة الأساسية هي أن استراتيجية "التحسين والتنبؤ" المجمعة هذه تساعد التوربينات الريحية على إرسال طاقة أنظف وأكثر استقرارًا، حتى عندما تكون الظروف الجوية مضطربة. من خلال اختيار كيفية تبديل المحول بعناية ومن خلال توقع كيفية استجابة النظام قبل لحظات، تضغط الطريقة طاقة مفيدة أكثر من نفس كمية الريح، تقلل من فقد الحرارة في الأجهزة، وتخفف العبء على الشبكة. يمكن لمثل هذه المناهج أن تسهل توسيع طاقة الرياح مع الحفاظ على استقرار الإضاءة وسلامة الأجهزة الحساسة، ما يشير إلى أنظمة طاقة متجددة أكثر ذكاءً ومرونة.

الاستشهاد: Varghese, L.J., Venkatesan, G., Flah, A. et al. Harmonic distortion reduction and dynamic stability in PMSG-CHBI wind energy systems via a dual optimization–prediction approach. Sci Rep 16, 6234 (2026). https://doi.org/10.1038/s41598-026-35707-y

الكلمات المفتاحية: طاقة الرياح, جودة الطاقة, محول متعدد المستويات, التشويه التوافقي, التحكم الذكي